Título

library(tidyverse)
library(sf)
library(kableExtra)
library(units)
library(gt)
library(patchwork)
library(purrr)
library(ggtext)

set.seed(123)

distrito <- read_sf("dados/distrito/SIRGAS_SHP_distrito.shp") %>% st_set_crs("epsg:31983")

Microdados do Censo de 2022

É importante destacar que os resultados disponíveis são parciais do censo, com dados atualizados até o momento da divulgação. No entanto, mesmo parciais, esses dados podem ser extremamente úteis para suas análises.

Um ponto crucial a considerar é que o nível mínimo de observação georreferenciada nos microdados do censo são os setores censitários. Os setores censitários são unidades geográficas definidas pelo Instituto Brasileiro de Geografia e Estatística (IBGE) para coleta e tabulação de dados censitários. Eles são delimitados de forma a garantir uma cobertura completa e homogênea de todo o território nacional, facilitando a análise comparativa entre diferentes áreas geográficas. A delimitação geográfica do setor também considera questões logísticas para o entrevistador conseguir entrevistar a todos.

# Read dados do censo 2022
censo <- read_sf("dados/censo/SP_Malha_Preliminar_2022.shp") %>% 
  filter(CD_MUN == "3550308") %>% 
  st_transform("epsg:31983") %>% # Sistema de coordenadas do geosampa
  select(id_setor_censitario = CD_SETOR, v0001:v0007) %>% 
  mutate(area_setor = st_area(geometry))

id_setor_censitario	v0001	v0002	v0003	v0004	v0005	v0006	v0007	geometry	area_setor
355030836000023P	523	200	200	0	2.827027	49.189189	185	MULTIPOLYGON (((358863.3 74…	26327.781 [m^2]
355030825000026P	547	200	200	0	2.878947	18.421053	190	MULTIPOLYGON (((356344.7 73…	7180.695 [m^2]
355030833000279P	799	252	252	0	3.400000	11.914894	235	MULTIPOLYGON (((353893.9 73…	46998.556 [m^2]
355030843000013P	499	206	206	0	2.851429	21.714286	175	MULTIPOLYGON (((318788.2 73…	36182.414 [m^2]
355030830000764P	654	238	238	0	3.099526	9.952607	211	MULTIPOLYGON (((328927.3 73…	33462.349 [m^2]
355030890000334P	280	138	138	0	2.258065	20.161290	124	MULTIPOLYGON (((333870.3 73…	13169.581 [m^2]
355030838000607P	188	102	102	0	1.938144	9.278351	97	MULTIPOLYGON (((332865.9 73…	1972.884 [m^2]
355030853000064P	511	302	302	0	2.147059	1.260504	238	MULTIPOLYGON (((338008.3 73…	44051.010 [m^2]
355030809000067P	264	140	138	2	2.357143	17.857143	112	MULTIPOLYGON (((333077.1 73…	26519.305 [m^2]
355030836000443P	793	300	300	0	3.223577	4.065041	246	MULTIPOLYGON (((358244.3 74…	10631.632 [m^2]

gg <- ggplot() +
  geom_sf(data = censo %>%
            mutate(densidade = v0001/area_setor,
                   decil = ntile(densidade, 10)),
          aes(fill = factor(decil)), color = NA) +
  scale_fill_viridis_d() +
  labs(fill = "Decil de densidade") +
  theme_void()

ggsave("tex/imagens/mapa.png", gg, width = 20, height = 20, dpi = 400)

descritiva <- censo %>% 
  st_drop_geometry() %>% 
  summarize("Total de pessoas" = sum(v0001),
            "Total de Domicílios" = sum(v0002),
            "Total de Domicílios Particulares Ocupados" = sum(v0007)) %>% 
  pivot_longer(everything())

name	value
Total de pessoas	11.451.999
Total de Domicílios	4.996.529
Total de Domicílios Particulares Ocupados	4.316.336

censo %>% 
  mutate(distancia_centro = st_distance(geometry, 
                                        read_sf("dados/distrito/SIRGAS_SHP_distrito.shp") %>% 
                                          st_set_crs("epsg:31983") %>% 
                                          filter(ds_nome == "SE")) %>% 
           as.numeric() %>% 
           cut(breaks = 10^3*(0:40), labels = FALSE)) %>% 
  st_drop_geometry() %>%
  group_by(distancia_centro) %>% 
  summarize(densidade = sum(v0001) / sum(as.numeric(area_setor) / 10^6)) %>% 
  ggplot(aes(x = distancia_centro, y = densidade)) +
  geom_col() +
  scale_y_continuous(labels = scales::comma_format(big.mark = ".")) +
  scale_x_continuous(labels = scales::comma_format(big.mark = ".")) +
  labs(x = "Distância ao centro em quilômetros", 
       y = "Densidade populacional por quilômetro quadrado") +
  theme_classic()

Base de Dados do IPTU

A base de dados do IPTU (Imposto Predial e Territorial Urbano) é uma fonte abrangente de informações sobre imóveis urbanos dentro do município. Essa base é considerada completa, pois abrange todos os imóveis sujeitos à tributação do IPTU, representando uma fonte confiável e abrangente de informações sobre a propriedade urbana. Propriedades que não foram construídas dentro da legalidade não constam nessa base.

O número do contribuinte, utilizado para identificar exclusivamente cada imóvel na base de dados do IPTU, é representado diretamente pelo SQL, sendo essencial para consultas e manipulação dos dados relacionados ao imposto predial e territorial urbano. Esse formato permite a integração e cruzamento com outras bases de dados, como a base de lotes, que está georreferenciada, fornecendo informações espaciais adicionais que não estão disponíveis na base do IPTU.

Procedimento para Lotes de Condomínios

Quando um lote é um condomínio, ou seja, quando não se classifica de acordo com condominio == "00-0", é necessário substituir os múltiplos números de SQL pelo número do condomínio. Isso ocorre porque cada unidade dentro do condomínio pode ser tratada como uma entidade separada para fins tributários, mas para a base de lotes, estão todos juntos.

IPTU <- read.csv("dados/IPTU/IPTU_2024.csv", sep=";", encoding = "latin1") %>% 
    as_tibble() %>% 
    select(sql = "NUMERO.DO.CONTRIBUINTE", 
           condominio = "NUMERO.DO.CONDOMINIO",
           area_terreno = "AREA.DO.TERRENO",
           area_construida = "AREA.CONSTRUIDA",
           area_ocupada = "AREA.OCUPADA",
           pavimentos = "QUANTIDADE.DE.PAVIMENTOS",
           ano_construcao = "ANO.DA.CONSTRUCAO.CORRIGIDO",
           tipo = "TIPO.DE.PADRAO.DA.CONSTRUCAO") %>% 
    
    # Separação do número de contribuinte (SQL) em setor quadra e lote
    mutate(setor =  str_sub(sql, 1, 3),
           quadra = str_sub(sql, 4, 6),
           
           # Quando o lote é um condomínio, haverá vários SQLs no mesmo lote. CD = Condomínio
           lote = str_sub(sql, 7, 10) %>% 
             ifelse(condominio == "00-0", ., paste("CD", str_sub(condominio, 1, 2), sep = "")),
           
           # Tipo de uso
           residencial = str_detect(tipo, "Residencial"),
           
           # Medida de verticalização
           verticalizacao = pavimentos * area_ocupada / area_terreno)

sql	condominio	area_terreno	area_construida	area_ocupada	pavimentos	ano_construcao	tipo	setor	quadra	lote	residencial	verticalizacao
0440880046-5	01-9	3760	211	1022	32	2013	Residencial vertical - padrão D	044	088	CD01	TRUE	8.6978723
1404360004-5	00-0	110	80	40	2	1997	Residencial horizontal - padrão B	140	436	0004	TRUE	0.7272727
0151260072-5	00-0	588	450	312	2	1989	Residencial horizontal - padrão D	015	126	0072	TRUE	1.0612245
1360660013-4	00-0	250	143	127	1	1991	Residencial horizontal - padrão B	136	066	0013	TRUE	0.5080000
0701830015-0	00-0	117	136	78	2	1977	Residencial horizontal - padrão C	070	183	0015	TRUE	1.3333333
0151020023-1	00-0	300	120	60	2	1957	Residencial horizontal - padrão C	015	102	0023	TRUE	0.4000000
0801210119-1	02-7	700	45	500	5	1970	Residencial vertical - padrão B	080	121	CD02	TRUE	3.5714286
1201400021-1	00-0	256	227	122	2	1978	Residencial horizontal - padrão C	120	140	0021	TRUE	0.9531250

Tipos de uso para IPTU

Todos os empreendimentos não públicos regulares (de acordo com a lei) constam nesta base de dados. A seguir está uma análise de quais são estes tipos. O tipo de interesse para esta análise é apenas os residenciais.

gg.right <- IPTU %>% 
  mutate(uso = case_when(str_detect(tipo, "Residencial") ~ "Residencial",
                         str_detect(tipo, "Comercial") ~ "Comercial",
                         str_detect(tipo, "Oficina") ~ "Industria",
                         str_detect(tipo, "TERRENO") ~ "Terreno",
                         str_detect(tipo, "Clube") ~ "Entretenimento",
                         .default = "Outros") %>% as.factor(),
         padrao = case_when(str_detect(tipo, "A$") ~ "A",
                            str_detect(tipo, "B$") ~ "B",
                            str_detect(tipo, "C$") ~ "C",
                            str_detect(tipo, "D$") ~ "D",
                            str_detect(tipo, "E$") ~ "E",
                            .default = "NA"),
         nome = paste("(", padrao, ") ", uso, sep = "")) %>% 
  group_by(uso, padrao, nome) %>% 
  summarize(area = sum(area_construida)) %>% 
  ungroup() %>% 
  mutate(percentual = area * 100/ sum(area, na.rm = TRUE),
         texto = case_when(percentual < 1 ~ "<1%",
                           percentual < 5 ~ paste(round(percentual,1), "%", sep = ""),
                           .default = paste(round(percentual, 2), "%", sep = "")),
         color = ifelse(uso == "Outros", "white", "black")) %>% 
  ggplot() +
  treemapify::geom_treemap(aes(fill = uso, area = area), size = 2, color = NA) +
  treemapify::geom_treemap(aes(alpha = padrao, area = area), fill = "black", color = NA) +
  treemapify::geom_treemap_text(aes(area = area, label = nome, color = color), alpha = .4, grow = FALSE, size = 8) +
  treemapify::geom_treemap_text(aes(area = area, label = texto, color = color), 
                                alpha = .4, place = "middle", size = 10) +
  scale_fill_manual(values = c("Residencial" = "#FAE48B", 
                               "Comercial" = "#A6EEE6",
                               "Industria" = "#84BD00",
                               "Entretenimento" = "#FB6467",
                               "Outros" = "#1A5354")) +
  scale_alpha_manual(values = c("A" = 0, "B" = .05, "C" = .1, "D" = .15, "E" = .2, "NA" = 0)) +
  scale_color_manual(values = c("black" = "black", "white" = "white")) +
  labs(fill = "Tipo de uso", alpha = "Parão de uso") +
  theme(aspect.ratio=1)

gg.left <- IPTU %>% 
  mutate(uso = case_when(str_detect(tipo, "Residencial") ~ "Residencial",
                         str_detect(tipo, "Comercial") ~ "Comercial",
                         str_detect(tipo, "Oficina") ~ "Industria",
                         str_detect(tipo, "TERRENO") ~ "Terreno",
                         str_detect(tipo, "Clube") ~ "Entretenimento",
                         .default = "Outros") %>% as.factor()) %>% 
  group_by(uso) %>% 
  summarize(area = sum(area_construida, na.rm = TRUE)) %>% 
  ungroup() %>% 
  arrange(desc(uso)) %>% 
  mutate(percentual = area * 100 / sum(area, na.rm = TRUE),
         texto = ifelse(percentual > 5, paste(round(percentual, 1), "%", sep = ""), ""),
         ytext = (cumsum(area) + lag(cumsum(area)))/ 2) %>% 
  ggplot() +
  geom_col(aes(y = area, fill = uso, x = "")) +
  geom_text(aes(y = ytext, fill = uso, x = "", label = texto), alpha = .5) +
  scale_fill_manual(values = c("Residencial" = "#FAE48B", 
                               "Comercial" = "#A6EEE6",
                               "Industria" = "#84BD00",
                               "Entretenimento" = "#FB6467",
                               "Outros" = "#1A5354")) +
  theme_void() +
  theme(legend.position = "none")

ggsave("tex/imagens/tree_area_construida.png", 
       (gg.left | gg.right) + 
         plot_layout(widths = c(1,6)), 
       width = 10, height = 8, dpi = 250)

Agrupamento dos condomínios

Quando há um condomínio com múltiplos contribuintes de IPTU, ele deve ser agregado a nível lote, para que possa ser cruzado com a base de lotes, possibilitando que seja georreferenciada. Todos os contribuintes dentro de um condomínio compartilham das mesmas características de área de terreno, área ocupada, ano de construção e pavimentos, então a mediana funciona para agregar estes dados, mas o máximo, mínimo, média ou pegar o primeiro valor também funcionaria.

IPTU <- IPTU %>% 
  group_by(setor, quadra, lote) %>% 
  
  # Agregar por SQL
  group_by(setor, quadra, lote) %>% 
  summarize(unidades = n(),
            area_terreno = median(area_terreno), 
            area_construida = sum(area_construida), 
            area_ocupada = median(area_ocupada),
            pavimentos = median(pavimentos),
            ano_construcao = median(ano_construcao),
            residencial = median(residencial),
            verticalizacao = median(verticalizacao)) %>% 
  ungroup()

setor	quadra	lote	unidades	area_terreno	area_construida	area_ocupada	pavimentos	ano_construcao	residencial	verticalizacao
029	022	0043	1	104	180	60	3	1954	1	1.7307692
055	179	0011	1	640	0	0	0	0	0	0.0000000
107	064	0008	1	200	225	113	2	1999	1	1.1300000
112	425	0049	1	378	384	378	1	1985	0	1.0000000
019	043	0036	1	90	100	50	2	1970	1	1.1111111
066	149	0088	1	96	47	47	1	1973	1	0.4895833
118	342	0041	1	480	250	150	2	2010	1	0.6250000
119	351	0023	1	135	195	96	2	2000	1	1.4222222

IPTU %>% 
  mutate(unitario = unidades == 1) %>% 
  group_by(unitario) %>% 
  summarize(n = n(),
            soma = sum(unidades))

## # A tibble: 2 × 3
##   unitario       n    soma
##   <lgl>      <int>   <int>
## 1 FALSE      33129 1782366
## 2 TRUE     1314353 1314353

gg <- IPTU %>% 
  ungroup() %>% 
  mutate(CA = area_construida / area_terreno,
         cota_parte = area_terreno / unidades) %>% 
  filter(cota_parte < 600, CA < 5, verticalizacao < 5) %>% 
  select("Cota Parte" = cota_parte, "Coeficiente de Aproveitamento (CA)" = CA, "Verticalização" = verticalizacao) %>% 
  pivot_longer(everything()) %>% 
  ggplot() +
  geom_histogram(aes(x = value)) +
  facet_wrap(~ name, scales = "free_x") +
  labs(title = "Distribuição dos indicadores em SP", x = "", y = "Frequência") + 
  theme_classic()

ggsave("tex/imagens/indicadores.png", gg, width = 9, height = 4, dpi = 250)

Geosampa

GeoSampa é o portal de mapas e dados geoespaciais da cidade de São Paulo, mantido pela prefeitura. Ele fornece uma vasta gama de informações geográficas, incluindo mapas, dados demográficos, infraestruturas e muito mais. Este portal é uma ferramenta valiosa para pesquisadores, urbanistas e qualquer pessoa interessada em informações espaciais detalhadas sobre a cidade.

https://geosampa.prefeitura.sp.gov.br/

Lotes

Base de Lotes: No GeoSampa, a base de lotes representa a divisão da cidade em pequenos segmentos, geralmente correspondentes a terrenos individuais ou condomínios. Esta base está organizada de forma que cada bairro tem seu próprio conjunto de dados e os dados de lotes para cada bairro podem ser baixados diretamente do site do GeoSampa em formato zip, contendo arquivos como .shp (shapefile), .dbf (database file), e .shx (index file).

# Extração do zip file com lotes de cada bairro
if (!"zip" %in% list.files(path = "dados/lotes")){
  for (file in list.files(path="dados/lotes/zip", full.names = FALSE) %>% 
       str_remove("\\.zip")){
    unzip(paste("dados/lotes/zip/", file, ".zip", sep = ""), 
          paste(file, "/", file, ".shp", sep = ""), 
          exdir = "dados/lotes/unzip")
    unzip(paste("dados/lotes/zip/", file, ".zip", sep = ""), 
          paste(file, "/", file, ".dbf", sep = ""), 
          exdir = "dados/lotes/unzip")
    unzip(paste("dados/lotes/zip/", file, ".zip", sep = ""), 
          paste(file, "/", file, ".shx", sep = ""), 
          exdir = "dados/lotes/unzip")
  }
}

# Junção dos shapes dos lotes de cada bairro em uma tabela
lotes <- list.files(path="dados/lotes/unzip", full.names = FALSE) %>% 
    paste("dados/lotes/unzip/", ., "/", ., ".shp", sep = "") %>% 
    lapply(read_sf) %>% 
    bind_rows %>% 
    st_set_crs("epsg:31983") 

lo_setor	lo_quadra	lo_lote	lo_condomi	lo_tp_quad	lo_tp_lote	geometry
149	057	0002	00	F	F	POLYGON ((347333.9 7390815,…
159	170	0004	00	F	F	POLYGON ((321624.4 7391258,…
085	001	0022	00	F	F	POLYGON ((327596 7386024, 3…
091	204	0045	00	F	F	POLYGON ((331395.1 7382865,…
195	007	0050	00	F	F	POLYGON ((352309.7 7385411,…
070	199	0003	00	F	F	POLYGON ((334931.9 7402747,…
149	305	0031	00	F	F	POLYGON ((346689.8 7390317,…
051	155	0044	00	F	F	POLYGON ((341296.9 7389320,…

Tipos de lotes

Os lotes podem ser classificados de três formas

• Lotes fiscais: apresentam contribuintes do IPTU
• Espaço livre: espaços públicos
• Via de acesso: Ruas fechadas para acesso dentro de uma quadra

Os lotes fiscais podem ser unidades ou condomínios. Um prédio, por exemplo, fica em um único lote, mas dentro pode haver diversas unidades, então se configura como um condomínio. Não é possível saber através dos dados de lotes quantas unidades estão no condomínio, nem alguma forma de discriminá-los.

lotes %>% 
  mutate(condominio = case_when(lo_condomi == "00" ~ "Unidade",
                                lo_condomi != "00" ~ "Condomínio"),
         tipo = case_when(lo_tp_lote == "F" ~ "Fiscal",
                          lo_tp_lote == "M" ~ "Espaço livre",
                          lo_tp_lote == "V" ~ "Via de acesso",
                          .default = NA),
         area = st_area(geometry) %>% as.numeric()) %>% 
  st_drop_geometry() %>% 
  ggplot() +
  geom_violin(aes(x = factor(condominio), y = area, fill = tipo)) +
  scale_y_log10(labels = scales::comma_format(big.mark = ".")) +
  labs(title = "Área dos lotes em SP" , x = "", y = "Área em metros quadrados", fill = "Tipo de lote") +
  theme_classic()

SQL dos Lotes (Setor, Quadra e Lote)

Na base de dados de lotes, cada lote é identificado por três componentes principais:

1. Setor (lo_setor): Uma divisão maior dentro do município que agrupa várias quadras.
2. Quadra (lo_quadra): Uma subdivisão dentro de um setor que agrupa vários lotes.
3. Lote (lo_lote): A menor unidade de divisão, que representa um terreno ou uma parcela específica dentro de uma quadra. Essa estrutura de Setor-Quadra-Lote é crucial para identificar de forma única cada lote dentro do município. No código, esses identificadores são utilizados para manipular e cruzar os dados de lotes com outras bases de dados, como a base de IPTU.

lotes <- lotes %>% 
 filter(lo_tp_lote == "F") %>% # Seleção apenas de lotes fiscais
  mutate(lo_lote = ifelse(lo_lote == "0000", paste("CD", lo_condomi, sep = ""), lo_lote)) %>% 
  select(setor = lo_setor, quadra = lo_quadra, lote = lo_lote)

setor	quadra	lote	geometry
139	466	0015	POLYGON ((354220.7 7398122,…
175	236	0054	POLYGON ((327682.3 7374400,…
235	088	0036	POLYGON ((357544.1 7392499,…
016	162	CD04	POLYGON ((329068.7 7390030,…
114	328	0210	POLYGON ((352906.6 7397697,…
070	418	0032	POLYGON ((334452 7402651, 3…
089	465	0080	POLYGON ((332208.6 7385030,…
045	100	CD04	POLYGON ((332530.8 7387987,…

Base de quadras

quadras <- read_sf("dados/quadras/SIRGAS_SHP_quadraMDSF.shp") %>% 
  st_set_crs("epsg:31983") %>% 
  filter(qd_tipo == "F") %>% # Apenas quadras fiscais
  select(setor = qd_setor, quadra = qd_fiscal) %>% 
  group_by(setor, quadra) %>% 
  summarize(geometry = st_union(geometry)) %>% 
  ungroup()

Base de setores

setores <- read_sf("dados/setor/SIRGAS_SHP_setorfiscal.shp") %>% 
  st_set_crs("epsg:31983") %>% 
  select(setor = st_codigo) %>% 
  group_by(setor) %>% 
  summarize(geometry = st_union(geometry)) %>% 
  ungroup()

Join entre a Base de Lotes e a Base do IPTU

# Join dos lotes com IPTU com base no SQL
IPTU.lote <- IPTU %>% 
  filter(residencial == 1) %>% 
  left_join(lotes, by = join_by(setor, quadra, lote)) %>% 
  ungroup()

setor	quadra	lote	unidades	area_terreno	area_construida	area_ocupada	pavimentos	ano_construcao	residencial	verticalizacao	geometry
152	286	0028	1	144	60	60	1	1984	1	0.4166667	POLYGON ((351034.9 7386395,…
115	310	0161	1	262	75	75	1	1970	1	0.2862595	POLYGON ((354872.7 7395381,…
085	021	0040	1	214	170	105	2	1973	1	0.9813084	POLYGON ((327642.7 7386172,…
152	391	0044	1	260	723	241	3	2015	1	2.7807692	POLYGON ((346753.2 7387844,…
166	155	0071	1	259	86	86	1	1980	1	0.3320463	POLYGON ((319217.7 7380822,…
057	045	0002	1	188	129	129	1	1976	1	0.6861702	POLYGON ((343003.4 7396046,…
065	078	0047	1	179	160	156	1	1954	1	0.8715084	POLYGON ((337017.7 7399615,…
049	048	0028	1	324	230	230	1	1970	1	0.7098765	POLYGON ((336888.9 7386628,…

IPTU.quadra <- IPTU %>% 
  filter(residencial == 1) %>% 
  group_by(setor, quadra) %>% 
  summarize(unidades = sum(unidades),
            area_construida = sum(area_construida),
            verticalizacao = weighted.mean(verticalizacao, area_terreno),
            area_terreno = sum(area_terreno)) %>% 
  left_join(quadras, by = join_by(setor, quadra)) %>% 
  ungroup()

IPTU.setor <- IPTU %>% 
  filter(residencial == 1) %>% 
  group_by(setor) %>% 
  summarize(unidades = sum(unidades),
            area_construida = sum(area_construida),
            verticalizacao = weighted.mean(verticalizacao, area_terreno),
            area_terreno = sum(area_terreno)) %>% 
  left_join(setores, by = join_by(setor)) %>% 
  ungroup()

list(IPTU %>% filter(residencial == 1) %>% mutate(base = "bruta"), 
     IPTU.setor  %>% mutate(base = "Setor")  %>% filter(!geometry %>% st_is_empty()), 
     IPTU.quadra %>% mutate(base = "Quadra") %>% filter(!geometry %>% st_is_empty()), 
     IPTU.lote   %>% mutate(base = "Lote")   %>% filter(!geometry %>% st_is_empty())) %>% 
  lapply(function(x) x %>% 
           group_by(base) %>% 
           summarize(unidades = sum(unidades))) %>% 
  bind_rows %>% 
  pivot_wider(names_from = base, values_from = unidades) %>% 
  pivot_longer(2:4) %>% 
  mutate(missing = bruta - value,
         missing_percent = (100 *missing / bruta) %>% round(2) %>% paste("%")) %>% 
  select("Critério de join" = name,
         "Erros (unidades)" = missing,
         "Percentual de erro" = missing_percent)

## # A tibble: 3 × 3
##   `Critério de join` `Erros (unidades)` `Percentual de erro`
##   <chr>                           <int> <chr>               
## 1 Setor                           -6409 -0.24 %             
## 2 Quadra                       -1025299 -38.56 %            
## 3 Lote                            44319 1.67 %

Algumas estatísticas descritivas

gg <- IPTU.lote %>% 
  mutate(distancia_centro = st_distance(geometry, 
                                        read_sf("dados/distrito/SIRGAS_SHP_distrito.shp") %>% 
                                          st_set_crs("epsg:31983") %>% 
                                          filter(ds_nome == "SE")) %>% 
           as.numeric() %>% 
           cut(breaks = 10^3*(0:40), labels = FALSE)) %>% 
  st_drop_geometry() %>% 
  group_by(distancia_centro) %>% 
  summarize(verticalizacao = weighted.mean(verticalizacao, area_terreno)) %>% 
  ggplot(aes(x = distancia_centro, y = verticalizacao)) +
  geom_col() +
  geom_hline(yintercept = 1, linetype = "dotted") +
  labs(x = "Distância ao centro em quilômetros", 
       y = "Verticalização") + 
  scale_y_continuous(breaks = (1:6)) +
  theme_classic()

ggsave("tex/imagens/verticalizacao.png", gg, width = 6, height = 4, dpi = 250)

gg.lotes <- IPTU.quadra %>% 
  ggplot() +
  geom_sf(data = distrito, fill = "black") +
  geom_sf(aes(fill = verticalizacao, geometry = geometry), color = NA) +
  theme_void() +
  scale_fill_gradient(low = "#004D40FF", high = "#E0F2F1FF")

gg.setor <- IPTU.setor %>% 
  ggplot() +
  geom_sf(data = distrito, fill = "black") +
  geom_sf(aes(fill = verticalizacao, geometry = geometry), color = NA) +
  theme_void() +
  scale_fill_gradient(low = "#004D40FF", high = "#E0F2F1FF")

ggsave("tex/imagens/mapa_verticalizacao.png", 
       (gg.lotes | gg.setor), width = 20, height = 20, dpi = 300)

Cruzamento entre a Base do Censo e a Base do IPTU

O processo de cruzamento foi realizado com base na intersecção das geometrias dos setores censitários e dos lotes do IPTU. Cada setor censitário e cada lote do IPTU possui uma geometria associada, representando sua área geográfica no mapa. Ao cruzar essas geometrias, é possível identificar quais lotes estão contidos em cada setor censitário e vice-versa.

É importante destacar que, em casos onde um lote foi dividido entre dois ou mais setores censitários, ocorrerá uma intersecção em ambas as áreas. Para lidar com essa situação, foi calculado o percentual da área do lote que está contida em cada setor censitário.

# Join dados do IPTU com do Censo através da intersecção das geometrias
IPTU.censo <- censo %>% 
  st_intersection(IPTU.lote %>% st_as_sf()) %>% 
  as_tibble() %>% 
  rename(geometria_intersec = geometry) %>% 
  
  # Retomada das geometrias do setor e lotes
  left_join(censo %>% 
              as_tibble() %>% 
              select(id_setor_censitario, 
                     geometria_setor_censitario = geometry),
            by = join_by(id_setor_censitario)) %>% 
  left_join(IPTU.lote %>% 
              as_tibble() %>% 
              select(setor, quadra, lote, 
                     geometria_lote = geometry),
            by = join_by(setor, quadra, lote)) %>% 
  
  # Cálculo de quanto % do lote está dentro do setor
  mutate(percent_intersec = as.numeric(st_area(geometria_intersec) / st_area(geometria_lote))) 

id_setor_censitario	v0001	v0002	v0003	v0004	v0005	v0006	v0007	area_setor	setor	quadra	lote	unidades	area_terreno	area_construida	area_ocupada	pavimentos	ano_construcao	residencial	verticalizacao	geometria_intersec	geometria_setor_censitario	geometria_lote	percent_intersec
355030893000182P	650	313	313	0	2.407407	3.703704	270	66545.90 [m^2]	044	092	0018	1	360	600	300	2	2019	1	1.6666667	POLYGON ((338893.1 7390604,…	MULTIPOLYGON (((338978 7390…	POLYGON ((338891.5 7390590,…	1.0000000
355030896000048P	765	271	270	1	3.031873	5.179283	251	47687.19 [m^2]	115	343	0024	1	115	200	100	2	1991	1	1.7391304	POLYGON ((356750.5 7396784,…	MULTIPOLYGON (((356861.6 73…	POLYGON ((356749.5 7396782,…	1.0000000
355030828000066P	728	323	323	0	2.545455	8.391608	286	34056.15 [m^2]	130	286	0014	1	299	400	210	2	1991	1	1.4046823	POLYGON ((347710 7401170, 3…	MULTIPOLYGON (((347803.1 74…	POLYGON ((347713.2 7401171,…	1.0000000
355030871000023P	384	164	164	0	2.844444	28.888889	135	106275.40 [m^2]	088	265	0351	1	401	410	205	1	1986	1	0.5112219	POLYGON ((327758.4 7384904,…	MULTIPOLYGON (((327900 7385…	POLYGON ((327754 7384919, 3…	1.0000000
355030896000071P	608	234	234	0	2.881517	6.161137	211	26319.25 [m^2]	138	176	0026	1	125	119	88	2	2001	1	1.4080000	POLYGON ((355278.8 7397050,…	MULTIPOLYGON (((355288.8 73…	POLYGON ((355277.1 7397045,…	1.0000000
355030868000149P	748	303	303	0	2.888031	9.266409	259	25093.66 [m^2]	157	020	0035	1	140	143	79	2	1982	1	1.1285714	POLYGON ((335749.3 7384182,…	MULTIPOLYGON (((335769.3 73…	POLYGON ((335757.4 7384187,…	1.0000000
355030864000080P	548	212	212	0	2.795918	7.142857	196	30000.23 [m^2]	111	151	0002	1	220	75	50	2	1985	1	0.4545455	POLYGON ((348713.8 7398937,…	MULTIPOLYGON (((348791.1 73…	POLYGON ((348735.6 7398930,…	1.0000000
355030886000085P	581	271	271	0	2.702326	6.976744	215	82078.28 [m^2]	068	555	0017	1	301	90	90	1	1970	1	0.2990033	POLYGON ((335447 7400688, 3…	MULTIPOLYGON (((335682.5 74…	POLYGON ((335448.7 7400679,…	1.0000000
355030821000028P	586	312	312	0	2.700461	8.294931	217	54365.98 [m^2]	075	258	0044	1	252	332	95	3	2002	1	1.1309524	POLYGON ((331400.4 7400874,…	MULTIPOLYGON (((331685.8 74…	POLYGON ((331398.2 7400876,…	1.0000000
355030829000026P	266	115	115	0	2.891304	32.608696	92	21554.58 [m^2]	104	077	0026	1	300	80	80	1	1988	1	0.2666667	POLYGON ((326127.3 7400794,…	MULTIPOLYGON (((326131.9 74…	POLYGON ((326129.8 7400790,…	0.9884079

Erros no join

Disparidades de informações

Teoricamente o número de domicílios deveria ser próximo do número de unidades habitacionais enunciadas pelo IPTU. Caso haja mais unidades habitacionais do que domicílios, houve algum equívoco na medição do censo, visto que entre domicílios não contam apenas os ocupados. Caso haja mais domicílios, há unidades que não são contribuintes do IPTU. O que é preocupante é que casos em que o número é diferente não são exceções.

gg <- censo %>% 
  st_drop_geometry() %>% 
  select(id_setor_censitario, domicilios = v0002) %>% 
  left_join(IPTU.censo %>% 
              st_drop_geometry() %>% 
              filter(residencial == 1) %>% 
              group_by(id_setor_censitario) %>% 
              summarize(unidades = sum(unidades))) %>% 
  mutate(unidades = replace_na(unidades, 0)) %>% 
  mutate(balanco = unidades / (unidades + domicilios)) %>% 
  ggplot() +
  geom_histogram(aes(x = balanco)) +
  labs(caption = "Caso o balanço seja 50%, implica que o número de domicílios reportados no censo é igual ao número de 
unidades reportadas no IPTU. Caso o balanço seja menor que 50%, implica que há mais domicílios no censo 
do que unidades, e caso seja maior que 50%, há mais unidades que domicílios",
title = "Disparidade entre censo e IPTU quanto ao número de unidades habitacionais",
    
       x = "Balanço: unidades / (unidades + domicilios)", y = "") +
  theme_classic() +
    theme(plot.caption = element_text(hjust = 0)) +
  scale_x_continuous(labels = scales::percent)


ggsave("tex/imagens/disparidade_censoIPTU.png", gg, width = 8, height = 5, dpi = 400)

Perfil geográfico dos erros

Alguns setores censitários não encontram pares na base de lotes. Isso acontece principalmente por conta de loteamentos irregulares e favelas, que não são contribuintes do IPTU, e, portanto, não constam na base. Isso não prejudica a análise, pois estes loteamentos não dependem da regulamentação urbana, então mudanças nos instrumentos e indicadores não impactariam essas regiões.

Outras falhas decorrem do erro do join da base do IPTU com lotes, como apontado anteriormente, mas estes casos são negligenciáveis.

distrito <- read_sf("dados/distrito/SIRGAS_SHP_distrito.shp") %>% st_set_crs("epsg:31983")
lotes_irregulares <- read_sf("dados/lotes_irregulares/SIRGAS_SHP_loteamento.shp") %>%
  st_set_crs("epsg:31983")
favela <- read_sf("dados/favela/SIRGAS_SHP_favela.shp") %>% 
  st_set_crs("epsg:31983")

censo.pontos <- censo %>%
  select(id_setor_censitario, geometry, pessoas = v0001, domicilios = v0002) %>%
  mutate(pontos = round(pessoas / 100)) %>% 
  as_tibble() %>% 
  left_join(
            # Seleção dos setores censitários que não apresentam nenhum contribuinte do IPTU
            censo %>% 
              anti_join(IPTU.censo) %>% 
              st_drop_geometry() %>% 
              select(id_setor_censitario) %>% 
              mutate(erro = TRUE)) %>% 
  mutate(erro = replace_na(erro, FALSE)) %>% 
  mutate(samples = map2(geometry, pontos, ~st_sample(.x, size = .y))) %>%
  unnest(cols = samples) %>%
  as_tibble()

gg <- censo.pontos %>% 
  ggplot() +
  geom_sf(data = distrito, color = NA) +
  geom_sf(data = st_union(favela %>% st_union() %>% st_buffer(10),
                          lotes_irregulares %>% st_union() %>% st_buffer(10)),
          aes(fill = "Favelas e lotes irregulares"), 
        color = "black", size = .1, alpha = .7) +
  geom_sf(aes(geometry = samples, color = erro), alpha = .25, size = .2) +
  scale_color_manual(values = c("FALSE" = NA,#248232
                               "TRUE" = "#D32934FF"),
                     labels = NULL) +
  scale_fill_manual("", values = c("Favelas e lotes irregulares" = "#2BAA92FF")) +
  labs(title = "<span style='font-size: 35pt;'>População em <span style = 'color:#D32934FF;'>áreas sem registro de IPTU</span> geralmente estão em <br><span style = 'color:#2BAA92FF;'>favelas ou lotes irregulares</span> (cada ponto representa 100 pessoas)</span>") + 
  theme_void() +
  theme(plot.title = element_markdown(), legend.position = "none")

# scale_colour_paletteer_d("lisa::AndyWarhol_2")

ggsave("tex/imagens/mapa_pontos.png", gg, width = 18, height = 20, dpi = 300)